教育软件需要严谨性：从希望到可解释决策

完整作品与配套文件

当天的简短播客

当天的简短播客

今天就是那种让编程不再浪漫的日子。

不是因为项目变得不再有意义。恰恰相反，它变得意义重大，以至于代码开始拒绝一切捷径。每一个脆弱的假设都会暴露出来。每一句动听的话，都必须转化为一种状态、一条规则、一项测试、一道边界，或者一个系统日后能够解释的决策。

我今天完成的文章是关于 Scholarium Teach 的。它是 SecuredMe Education 套件中的一个以音节为先的学习引擎。但更深层的启示并不只与音节有关，而是关乎这样一个现实：当儿童、语言难度、无障碍、隐私和 AI 同时汇聚到一个系统中时，究竟该如何构建教育软件。

今天最大的教训简单而残酷：

良好的教育意图不是证据。漂亮的界面不是证据。模型给出的答案也不是证据。如果系统无法解释为什么让学习者进入下一阶段，它就没有资格假装自己衡量了学习成果。

这正是外界往往看不到的编程工作。

编程不只是编写函数。编程还意味着决定软件可以知道什么、可以推断什么、必须拒绝什么，以及哪些事情必须始终由人类负责。

真正的难点并不是 Python

Python 并不是今天最难的部分。

真正困难的是把一种直觉转化为足够诚实、可以接受检验的东西。

最初的想法很有力量：先从儿童能够听见并发音的音节开始，再要求他们处理孤立的字母。构建一套音节表（silabario）。让学习者先听、先读、先组合，之后再书写。图片只能作为辅助，不能成为让儿童无需解码就能猜出答案的线索。

这个想法有温度，也有教学价值，背后还有真实经验的支撑。

但如果我把这个想法编码成一条定律，系统就会变得危险。不是出于恶意，也不是什么戏剧性的灾难，只是悄无声息地犯错。软件会开始声称“这个孩子已经掌握了当前步骤”，但孩子可能只是认出了图片、刚听完声音便立即复述出来，或者过度依赖了提示。

于是，这项工作变成了一场外科手术。

我必须把人类的教育意图与可执行契约分离开来：

以音节为先的方法应当成为一项带版本的 policy，而不是普遍真理；

音节表应当成为由可教学内容块、前置条件、来源和限制构成的图；

界面可以简化学习者的体验，但引擎必须精确保留语言关系；

图片可以帮助理解语境，但不能在解码任务中泄露答案；

音频可以观察信号质量，但不能对人作出诊断；

AI 可以解释、辅助和起草内容，但不能掌控学习者的 canonical state。

这就是那些艰苦而琐碎的工作。这才是真正的工作。

“做一个教人阅读的应用。”这句话说起来很容易。

真正的工作是：什么是音节块？需要什么证据才能解锁书写？如果学习者能够复述，却无法在稍后回忆起来，该怎么办？如果麦克风噪声很大呢？如果学习者使用了另一种回答方式呢？如果模型提供商明天发生变化呢？如果同一次尝试被提交了两遍呢？如果教师需要质疑系统给出的结果呢？

到了这里，软件才真正变得严肃。

我今天成功完成了什么

今天，我推动 Scholarium Teach 从一个美好的愿景，向一套可以接受审查的架构迈进了一步。

最终完成的文章记录了这样一套系统：学习者的进度不由语言模型掌控。Scholarium 负责维护 canonical state。一个确定性的 Python 引擎接收先前状态、内容版本、事件和 policy，然后返回一份结构化 receipt。产品负责验证并持久化这份 receipt。

如果明天向引擎输入相同的状态和相同的尝试，就必须得到相同的决策。不是相似的感觉，不是一份概率性的解释，而是完全相同的决策。

我还明确了周边系统各自扮演的角色：

D1 仍是学习者 checkpoint 和 receipt 的事务性 source of truth；

Python 负责计算决策，但不能成为隐藏的第二份记忆；

PostgreSQL 可以用于编目语言包及其版本；

TimescaleDB 适合存储经过授权的时序事件，而不是假装自己是整个学习系统的大脑；

CodeProject.AI 可以成为可选的观察层，但不能成为教学法的权威；

Synthia Scholarium 负责追踪 provenance 和 transformation，但不参与表决什么是真相；

Google Drive 可以归档所有者侧的材料，但不应成为课堂运行时依赖。

这其中涉及大量边界划分工作。它不如“AI 将自动教会儿童”那样吸引眼球，却负责任得多。

说实话，我为此感到自豪。

我之所以自豪，是因为这项工作没有假装自己已经完成。它现在拥有了足够清晰的结构，可以接受测试。这才是更好的里程碑。

改变这一天的那个时刻

最触动我的时刻，是意识到系统必须有能力说“不”。

不，这张图片泄露了太多信息。

不，这个在引导下得出的答案不能证明已经掌握。

不，这段音频的噪声太大，无法作出判断。

不，这个数据集很有意思，但没有获得课堂使用许可。

不，这张由 AI 生成的卡片不能在未经编译、审核和 provenance 追踪的情况下进入 canonical learning path。

不，不能仅仅因为一种交互模态失败，就把这个孩子简化成一个分数。

这不是消极，而是工程上的尊重。

一个严肃的教育系统并不会因为总是让学习者前进而获得信任。它值得信任，是因为它知道什么时候应该停留、放弃判断、进入审核流程，或者请求人类作出决定。

这或许是我今天学到的最重要的一课：

在 AI 辅助学习工具中，最重要的功能或许不是生成，而是给出理由并拒绝。

有理由的拒绝可以保护学习者，也可以保护教师、家长和项目本身，避免项目作出夸大的承诺。它还能保护未来版本的代码，使其不必继承一个谎言。

兴奋过后的编程现实

总有那么一个时刻，最初的兴奋会迎面撞上实现的现实。

你从一个愿景开始。然后代码要求你为事物命名。接着数据库要求你定义 schema。隐私要求你设置限制。无障碍要求你提供替代方案。研究要求你保持谦逊。最后，部署会追问：如果 20 名学习者同时使用低功耗设备访问，系统会怎样？

到了这里，我不得不慢下来。

我希望这个系统充满生命力。但我也必须接受这样一个事实：课堂工具必须在一系列乏味的约束下运行——稳定的状态、可重放的决策、有界的事件、不囤积原始语音、不让隐藏的模型掌握权威、不伪造“已经掌握”的结果，也不能神奇地依赖某个浏览器 AI 模型。

4 GiB 内存的 Chromebook 很重要。安静可靠的 fallback 很重要。平平无奇的 receipt 很重要。不可逾越的硬边界也很重要。

这正是多年来编程改变我的地方。早些时候，我希望引擎令人惊叹。现在，我希望它能够承担责任。

这是另一种值得自豪的事。

其他构建者可以从中学到什么

如果你正在使用 AI 构建产品，尤其是教育产品，不要一开始就问模型能够做多少事情。

先问这些问题：

什么是 source of truth？

什么可以重放？

什么必须由人类审核？

哪些数据绝不应该存储？

哪些事情可以由模型解释，但不能由模型决定？

哪些事情可以由引擎决定，但只能依据明确声明的 policy？

系统不确定时应该怎么办？

学习者进入下一阶段之前，需要什么证据？

这些问题并不是官僚主义，而是信任的骨架。

今天我再次认识到，构建真正的软件，不是让机器表现得信心十足，而是迫使机器始终待在契约规定的范围之内。

这值得为之自豪。

当前工作进展

Scholarium Teach 音节引擎并不是在声称某一种方法已经被证明更优。它是一套用于研究和构建的架构。它让我们能够把经得起辩护的内容编码实现，把仍需测试的部分隔离开来，并禁止产品假装知道自己并不知道的事情。

这是今天得到的最清晰成果。

而在软件领域，有时，一道真正有效的边界就是第一次真正的胜利。

如需采取进一步措施，你可以考虑屏蔽此人和／或举报滥用行为。